1) multi-kernel-parameter support vector machine with RBF kernel
多核参数径向基支持向量机
1.
On the basis of this conclusion, an improved multi-kernel-parameter support vector machine with RBF kernel based on genetic algorithm was proposed, where genetic algorithm was applied to find optimum ker.
此结论基础上,提出了一种基于遗传算法的多核参数径向基支持向量机算法,通过遗传算法最小化验证误差,实现了根据各个特征的识别能力赋予其不同大小的核参数。
2) Multi-kernel support vector machine
多核支持向量机
3) parameters of support vector machine
支持向量机参数
1.
Hence,a method based on genetic algorithm is proposed to optimize the input variables and parameters of support vector machine(SVM) simultaneously.
本文提出了用遗传算法同时优化输入变量和支持向量机参数的方法。
4) raidal basis function support vector machines
径向基支持向量机
5) Multi-kernel Weighted-Support Vector Machine
多核加权支持向量机
6) SVM Hyperparameters
支持向量机超参数(SVM Hyperparameters)
补充资料：支持向量机方法
支持向量机(SVM)是90年代中期发展起来的基于统计学习理论的一种机器学习方法，通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的。支持向量机算法是一个凸二次优化问题,能够保证找到的极值解就是全局最优解，是神经网络领域域取得的一项重大突破。与神经网络相比，它的优点是训练算法中不存在局部极小值问题，可以自动设计模型复杂度(例如隐层节点数)，不存在维数灾难问题，泛化能力强。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条